نقش مؤثر رسانه در توسعه اقتصادی
۱۴۰۴-۱۲-۰۵
داراجوکار
تکامل پارادایم نوآوری، تحت فشار هوش مصنوعی مولد
6 بازدید
پیدایش هوش مصنوعی مولد، به خصوص مدلهای زبانی بزرگ و سیستمهای یادگیری عمیق، مدیریت نوآوری را اساساً دگرگون کرده. دیگر بحث انسان در برابر ماشین نیست؛ این دو حالا شریکان راهبردی هستند و با هم نوآوری را به جلو میبرند. تأثیر این تحول، کم از انقلاب صنعتی ندارد و ساختار سازمانها، روند تحقیق و توسعه و حتی شیوهی خلق ارزش را عوض کرده است. بر اساس نظرسنجی جهانی مککینزی ۲۰۲۵، ۶۴ درصد سازمانها هوش مصنوعی را موتور اصلی نوآوری میدانند و ۸۸ درصد دستکم در یکی از بخشهایشان از این فناوری استفاده میکنند.[۱] هنوز اما بیشتر سازمانها نتوانستهاند هوش مصنوعی را در مقیاس کل شرکت مستقر کنند و تقریباً دو سومشان گرفتار همین مسأله هستند.[۱] این فاصله بین پذیرش اولیه و بسط فراگیر، نشان میدهد باید مدلهای مدیریت نوآوری و همآفرینی انسان و ماشین را بازنگری کنیم.
یکی از اولین زمینههایی که هوش مصنوعی مولد در آن انقلابی ایجاد کرده، کشف فرصت و ایدهپردازی است. الگوریتمهای پیشرفته میتوانند دادههای ساختیافته و غیرساختیافته (از متون علمی و ثبت اختراعات تا گفتگوهای آنلاین) را تحلیل کنند و الگوهای نو و فرصتهای پنهان را بیرون کشند. مدلهای زبانی بزرگ با درک عمیق مفاهیم و ارتباط دادن حوزههای مختلف علم، به سازمانها اجازه دادهاند فرایند کشف ایده را از شکل خطی به یک جستجوی چندبعدی و پویا تبدیل کنند. این یعنی فقط کارها سریعتر نشدهاند، بلکه سازمانها حالا میتوانند ترکیبهای نوآورانهای پیدا کنند که پیشتر حتی تصورش را نداشتند. مثال مشهورش شرکت مادرنا است که با همکاری پژوهشگران و هوش مصنوعی توانست توسعهی واکسن کرونا را چنان سریع کند که فقط ۶۳ روز پس از انتشار توالی ژنتیکی ویروس، آزمایشهای بالینی را شروع کرد.[۲] این نمونه، قدرت واقعی هوش مصنوعی را در تغییر سرعت و کیفیت نوآوری بهوضوح نشان میدهد.
در بخش ارزیابی و انتخاب ایدهها، نقش هوش مصنوعی باز هم متفاوت شده است. تحقیقات نشان داده مدلهای زبانی بزرگ میتوانند ایدهها را با دقتی مشابه انسانهای خبره ارزیابی کنند.[۳] اما یک پارادوکس دارد: اگر هوش مصنوعی روایت متقاعدکنندهای تولید کند، ممکن است قضاوت انسانی را ضعیف و نگاه انتقادی را کم کند. این همان «پارادوکس نظارت انسان و هوش مصنوعی» است[۳]؛ اگر بدون طراحی درست از ابزارهای هوشمند استفاده کنید، خطر همگرایی شناختی و کاهش تنوع ایدهها به سراغ سازمان میآید؛ یک چالش قابل توجه در مدیریت نوآوری.
در مرحلهی توسعهی فناورانه، هوش مصنوعی مولد به زیرساخت اصلی تبدیل شده است. گزارش مککینزی میگوید این فناوری میتواند فرایند تحقیق و توسعه را در صنایع مختلف تسریع کند؛ از طراحی و اعتبارسنجی تا خودکارسازی مستندات و بهینهسازی زنجیرهی تأمین.[۵] نزدیک به ۳۰ درصد از کدهای جدید گوگل با کمک هوش مصنوعی نوشته میشوند[۶] که خودش تحول عظیمی در کار مهندسی و توسعهی محصول است. البته، بعضی پژوهشگران هشدار میدهند افزایش بهرهوری همیشه منجر به نوآوری عمیقتر نمیشود. مثلاً تحقیقی در مجلهی «علوم مدیریت» نشان داد که وقتی پاسخهای «به اندازهی کافی خوب» بدون هزینه دسترسپذیرند، اعضای سازمان تمایل دارند به کاوش مستقل پایان دهند و به تکرار راهحلهای موجود بسنده کنند.[۷] به بیان سادهتر، هوش مصنوعی میتواند شما را در تلهی بهرهوری بیاندازد؛ کارایی بالا، اما خلاقیت و نوآوری ریشهای کم میشود.
برای جلوگیری از این دام، باید اصطکاک راهبردی ایجاد کنیم. یعنی سازمانها باید عمداً نقاط مقاومت شناختی در روند نوآوری تعبیه کنند تا افراد به تفکر انتقادی و آزمایش مستقل تشویق شوند. این رویکرد بر تعامل هوشمندانه میان اتوماسیون و عاملیت انسانی تأکید دارد، نه حذف کامل موانع.[۸] پژوهشگران نشان دادهاند با افزایش قابلیت استفادهی مجدد از دانش، کاوش مستقل کم شده و تیمها به سمت راهحلهای محدود همگرایی پیدا میکنند.
در بخش نوآوری باز، مدلهای زبانی بزرگ مرزهای سنتی سازمان را به چالش کشیدهاند. این مدلها واسطهی هوشمند بین سازمان و کل اکوسیستم نوآوری هستند: تحلیل همزمان هزاران پیشنهاد، شناسایی الگوهای نو و حتی تولید فرضیهی پژوهشی. یافتههای جدید نشان میدهند این مدلها میتوانند ایدههای جمعسپاری شده را با دقت کارشناسان ارزیابی کنند و کارآیی نوآوری باز را افزایش دهند.[۴] با همهی اینها، وابستگی بیش از حد به هوش مصنوعی مولد خطر یک «آیندهی بدون خردجمعی» را دارد، یعنی خردجمعی انسانی کنار گذاشته میشود. این موضوع، برای مدیران نوآوری در عصر هوش مصنوعی چالشی اساسی است؛ باید راه تعادلی بین کارایی و تنوع شناختی پیدا کنند.
در مدیریت دانش و یادگیری سازمانی، هوش مصنوعی مولد نقش دوگانه دارد؛ هم استخراج، کدگذاری و بازیابی دانش را در مقیاس بیسابقه ممکن میکند و هم خطر کاهش ظرفیت یادگیری عمیق و شهود ضمنی را دارد. سازمانهایی که موفق بودهاند، رویکرد چندلایه اتخاذ کردند؛ سرمایهگذاری همزمان در زیرساخت فنی، مهارت انسانی و سازوکارهای حکمرانی. نمونهاش شرکت Honeywell است: با چارچوب راهبردی ششمرحلهای، مسیر بلوغ هوش مصنوعی را نظاممند کرد و تمرکز ویژه بر روی اتصال ابتکارات هوش مصنوعی با سود و زیان کسبوکار دارد؛[۹] نتیجهی این رویکرد این است که نوآوری فناورانه در خلأ راهبردی رها نمیشود.
در ایران هم نشانههایی از حرکت راهبردی بهسمت همآفرینی هوش مصنوعی دیده میشود. دیجیکالا با راهاندازی دیجیکالا نکست[۱۰] به دنبال توسعهی هوش مصنوعی و لجستیک هوشمند است و روی استارتاپهای مرتبط سرمایهگذاری میکند، تا یک زیستبوم نوآوری باز و متکی بر API بسازد. این رویکرد فهمی استراتژیک از اقتصاد دیجیتال دارد؛ مزیت رقابتی پایدار دیگر از تلاش درونی یک شرکت نمیآید، بلکه حاصل همآفرینی با شبکهای از بازیگران مکمل است. حتی پژوهشها در اکوسیستم استارتاپی ایران نشان میدهند عوامل فناورانه، مانند تعاملپذیری و شفافیت، پذیرش هوش مصنوعی را تسهیل میکند، در حالی که ملاحظات اخلاقی هنوز اثر مستقیم کمتری دارند؛ شکافی که زنگ خطر را برای سیاستگذاران و مدیران نوآوری به صدا در میآورد.
از منظر اقتصاد نوآوری، هوش مصنوعی مولد روایت دیرینهی کاهش بازده سرمایهگذاری در تحقیق و توسعه را زیر و رو کرده است. برای مدتها اقتصاددانان معتقد بودند هر دلار صرفشده برای R&D، به مرور زمان نوآوری کمتری به ارمغان میآورد.[۱۱] هوش مصنوعی این معادله را تغییر میدهد و وعدهی معکوسسازی منحنی بهرهوری را میدهد، ولی تحققش نیاز به بازطراحی ریشهای فرآیندهای کاری دارد. سازمانهای پیشرو، اهداف فراتر از کارایی صرف دارند و رشد و نوآوری را به عنوان اهداف راهبردی مکمل دنبال میکنند؛ دو برابر بیشتر از سایرین برای بازطراحی فرآیندها سرمایهگذاری میکنند و نیمی از آنها به دنبال تغییر بنیادی مدل کسبوکارشان با هوش مصنوعی هستند.
حکمرانی الگوریتمی و مسائل اخلاقی اما نیمهی دیگر داستان هستند. سیستمهای هوش مصنوعی به خاطر سوگیریهای نهفته در دادهها خطر بازتولید الگوهای تبعیضآمیز و انحراف سیستماتیک تصمیمهای نوآورانه را دارند. مسائلی مثل سوگیری الگوریتمی، عدمشفافیت و تفسیرپذیری مدلها، اعتبار سیستم را به چالش میکشد. استقرار هوش مصنوعی در حکمرانی سازمانی ریسکهای تازهای ایجاد کرده است، از جمله «ریسک تجاوز» که باعث کاهش تدریجی قدرت نقشهای راهبردی انسانی میشود. همچنین «شکاف پاسخگویی» به این معناست که مسئولیت تصمیمهای نادرست هوش مصنوعی بین توسعهدهندگان، واحد کسبوکار، فناوری اطلاعات و مدیریت ریسک تقسیم شده و سرگردان میماند.[۱۱] پژوهشگران دانشگاه کلمبیا در هاروارد بیزنس ریویو قاطعانه توصیه میکنند متخصصان باید نقش «تصمیمگیرندهی فعال» را در مواجهه با هوش مصنوعی حفظ کنند، نه این که صرفاً کاربر منفعل ابزار شوند.[۱۲] این اصل در مدیریت نوآوری دوچندان اهمیت دارد چون تخصیص منابع، انتخاب پروژهها و تعیین مسیرهای تکنولوژیک نیازمند تلفیق هوش ماشین با قضاوت و شهود انسانی است.
مطالعهی موردی شرکت Manulife کانادا درسهایی مهم در مورد تعادل سرعت و ایمنی در استقرار هوش مصنوعی مولد میدهد. این شرکت با سابقهی ۱۳۷ ساله، مدلهای زبانی بزرگ را نه یک مد زودگذر، بلکه نقطه عطف استراتژیک تلقی کرد. با برگزاری نشستهای تجربی فناوری و ارتقای هوش مصنوعی به دستور مدیرعامل، جذب سازمانی را با ایجاد «پشتهی یادگیری» و استخدام بیش از ۲۰۰ متخصص علم داده افزایش داد.[۱۳] همزمان، سازوکارهای حکمرانی نوآورانه طراحی شد تا اصول هوش مصنوعی مسئولانه، مدیریت ریسک مدل و نظارت مستمر با چرخههای سریع نوآوری تلفیق شود. ویژگی منحصربهفرد Manulife، نهادینهسازی فرهنگ «کپیبرداری مشروع» بود. موفقیتهای منفرد به سرعت به قابلیتهای جمعی سازمان تبدیل شدند. این رویکرد باعث شد تیمها وابسته به بازساخت راهحلهای خوب یکدیگر شوند، نه این که برای هر مسئله چرخ را دوباره اختراع کنند.
در سطح کلان، حرکت بهسمت «عاملهای هوش مصنوعی» که خودشان تصمیمگیری و اجرا میکنند، مرز بین عاملیت انسانی و ماشین را بازتعریف کرده است. پژوهش مشترک MIT Sloan و Boston Consulting Group نشان میدهد سازمانهای پیشرو از وضعیت «اتوماسیون وظایف» به «معماری محیطهای تصمیمگیری» رسیدهاند. مایکل شراج از MIT Sloan این تحول را جهشی انقلابی در هوش سازمانی میداند: هوش مصنوعی حالا نه فقط از تصمیمها یاد میگیرد، بلکه محیط تصمیمگیری را هم بهبود میبخشد.[۱۴] نمونهاش شرکت Liberty Mutual است که با سیستم LibertyGPT بیش از دویست هزار ساعت زمان کارکنان را با خلاصهسازی و استخراج بینش آزاد کرد.[۱۵]
در نهایت میتوان نتیجه گرفت که ترکیب هوش مصنوعی با مدیریت نوآوری، دیگر فقط دربارهی جایگزینی یا افزایش کارایی نیست؛ «همآفرینی راهبردی»، مدل مطلوب است. باید تعاملات طراحی شود تا هر طرف (انسان یا ماشین) کارهایی را انجام دهد که بهترین است. هوش مصنوعی پردازش دادههای عظیم، شناسایی الگوهای پیچیده و تولید گزینهها را انجام میدهد؛ انسانها با قضاوت، شهود و تعهد اخلاقی، خروجیهای الگوریتمی را تفسیر و معنا میبخشند. این تقسیم کار شناختی راهبردی است و برای سازمانهایی که دنبال مزیت رقابتی واقعی در اقتصاد نوآوری هستند، یک ضرورت است.
برای مدیران ارشد، پژوهشگران و سیاستگذاران، دلالتهای عملی فراوانی در این تحلیل نهفته است. اول، فقط سرمایهگذاری در فناوری هوش مصنوعی بدون تغییر ساختار، فرایندها و فرهنگ سازمانی کافی نیست. هاروارد بیزنس ریویو هشدار داد که موفقیت هوش مصنوعی بیشتر به تناسب جاهطلبی سازمان با واقعیت عملیاتی وابسته است تا به پیچیدگی الگوریتمها.[۱۶] دوم، سازمانها باید اصطکاک راهبردی در فرایندهای نوآوری تعبیه کنند تا از تلهی بهرهوری و کاهش خلاقیت فاصله بگیرند. سوم، چارچوبهای حکمرانی الگوریتمی باید با سرعت تحول فناوری سازگار شوند و مکانیزمهای شفاف پاسخگویی، ممیزی و نظارت انسانی را تثبیت کنند. چهارم و شاید مهمترین، رهبران باید روایت هوش مصنوعی را شکل دهند؛ نه یک تهدید جایگزین انسان و نه نوشداروی حل همهی مشکلات. هوش مصنوعی شریک شناختی است که ظرفیت انسانی را تقویت و خلق ارزش را برای ذینفعان سرعت میبخشد. فردای سازمانها را با بلوغ مدل همآفرینی انسان و ماشینشان میسنجند، نه صرفاً میزان سرمایهگذاری روی هوش مصنوعی.
منابع
[۱] McKinsey & Company. (2025). The state of AI in 2025: Agents, innovation, and transformation. Retrieved from https://www.mckinsey.com/capabilitions/quantumblack/our-insights/the-state-of-ai
[۲] Milken Institute. (2020, May 14). Ep. 44: The virus and the clock, with Moderna’s Tal Zaks. Retrieved from https://milkeninstitute.org/content-hub/podcasts/ep-44-virus-and-clock-modernas-tal-zaks
[۳] Lane, J., Boussioux, L., Ayoubi, C., Chen, Y., Wang, P.-H., Lin, C., Spens, R., & Wagh, P. (2025). Narrative AI and the human-AI oversight paradox in evaluating early-stage innovations. ICIS 2025 Proceedings. Retrieved from https://aisel.aisnet.org/icis2025/conf_theme/conf_theme/7/
[۴] University of Bayreuth. (n.d.). Idea evaluation for solutions to specialized problems: Leveraging the potential of crowds and large language models. Retrieved from https://eref.uni-bayreuth.de/
[۵] McKinsey & Company. (2025). Transforming R&D with AI: Breaking barriers and boosting productivity. Retrieved from https://www.mckinsey.com.br/capabilities/operations/our-insights/transforming-r-and-d-with-ai-breaking-barriers-and-boosting-productivity
[۶] Pichai, S. (2025, April). Alphabet Q1 2025 earnings call. As cited in “Google CEO Sundar Pichai said over 30% of code at Google is now generated by AI,” Yahoo Finance. Retrieved from https://finance.yahoo.com/news/ceo-flex-bragging-ai-handles-223922961.html
[۷] Harvard Business Review Taiwan. (2026, April 23). AI boosts productivity but hollows out innovation: strategic friction to ignite organizational insight. Retrieved from https://www.hbrtaiwan.com/
[۸] Strategic Friction and Synergy in Global LLM Development. (2025). Authorea. Retrieved from https://www.authorea.com/
[۹] Fortune. (2025, October 7). ‘Our chapters will work for any enterprise’: Honeywell’s AI chiefs share the strategies that helped the firm mature its AI efforts. Retrieved from https://fortune.com/2025/10/07/honeywell-international-artificial-intelligence-manufacturing-operations/
[۱۰] Digikala Next. (2024). مرکز نوآوری و فناوری گروه دیجیکالا (Digikala Next) افتتاح شد. Retrieved from https://ecosystem.ir/news/95050/
[۱۱] PYMNTS. (2026, February 12). The Accountability Gap: Why AI Efficiency Is Outpacing Business Control. Retrieved from https://www.pymnts.com/
[۱۲] Einhorn, C. S. (2025, October 31). When working with AI, act like a decision-maker—not a tool-user. Harvard Business Review. Retrieved from https://business.columbia.edu/
[۱۳] RBC. (2025, December 11). Turning Disruption into Momentum: Manulife’s AI Flywheel. Retrieved from https://www.rbc.com/
[۱۴] IT Brief Australia. (2025, July 17). AI shifts from adviser to architect in enterprise decision-making. Retrieved from https://itbrief.com.au/
[۱۵] TCS & MIT Sloan. (2025). Liberty Mutual’s LibertyGPT saved over 200,000 hours in 2024. As cited in “TCS and MIT Sloan Unveil AI Collaboration Roadmap Across Global Enterprises.” Retrieved from https://www.angelone.in/
[۱۶] Harvard Business Review. (2025). Match Your AI Strategy to Your Organization’s Reality. Retrieved from https://hbr.org/2025/11/overcoming-the-organizational-barriers-to-ai-adoption